IV.9Медиа, журналистика, культура, архивы и игры

LLaVA-OneVision Qwen2 7B — мультимодальная модель семейства LLaVA, разработанная командой LMMS Lab и основанная на языковой модели Qwen2. Она сочетает визуальный энкодер SO400M с языковой частью Qwen2 и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий распространяет веса в формате Safetensors, для работы используется Transformers. Модель предназначена для диалогового взаимодействия с изображениями, несколькими изображениями и видео: она принимает визуальные данные и текстовые запросы и формирует текстовые ответы. Обучение включало этапы с данными для одиночных изображений, нескольких изображений и видео. В карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает об ограничениях модели, но не уточняет их; качество ответов может зависеть от входного изображения или видео и формулировки запроса.

LongCat-Image — двуязычная открытая модель генерации изображений по текстовому описанию, разработанная Meituan. Она предназначена для создания изображений, в том числе фотореалистичных сцен, и уделяет особое внимание точному отображению китайских надписей и поддержке английских промптов. Модель содержит 6 млрд параметров. В карточке указаны форматы Diffusers и Safetensors; для запуска предлагается библиотека Transformers. Авторы сообщают о высокой эффективности по сравнению с рядом более крупных открытых моделей и об улучшенном покрытии китайских иероглифов. Лицензия Apache-2.0.

Карточка модели Jinstudio/LongCat-Image-Edit на Hugging Face совпадает с карточкой meituan-longcat/LongCat-Image-Edit, поэтому описание составлено по ней. LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

unsloth/LTX-2.3-GGUF — GGUF-квантованная версия LTX-2.3, аудиовизуальной foundation-модели, разработанной Lightricks. Модель основана на архитектуре DiT и предназначена для совместной генерации синхронизированных видео и аудио в едином пайплайне. Публикация использует методологию Unsloth Dynamic 2.0 GGUF с повышенной точностью для важных слоёв и рассчитана на локальный запуск, в частности через ComfyUI. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео из текста или изображений. Доступны варианты dev и distilled: dev обеспечивает более высокое качество и требует не менее 20 шагов генерации, тогда как distilled оптимизирован для быстрых запусков примерно за 4–8 шагов и может использоваться для черновой генерации или уточнения результата. Указан размер основной модели 22B. Заявлены языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese; размер контекста в README не указан. Сильные стороны модели — единая генерация аудиовизуального контента, синхронизация звука и изображения, улучшенные качество аудио и видео и повышенное следование промпту по сравнению с LTX-2. Ограничения включают значительные требования к вычислительным ресурсам для dev-варианта, зависимость от совместимых инструментов и компонентов пайплайна, а также компромисс между скоростью и качеством у distilled-варианта. Модель распространяется по лицензии ltx-2-community-license-agreement; это не стандартная свободная лицензия, поэтому условия использования следует проверять в полном тексте соглашения.

LTX-2.3-nvfp4 — версия модели LTX-2.3 в формате NVFP4, разработанная Lightricks. Это диффузионная аудиовизуальная модель на основе DiT, которая совместно генерирует синхронизированные видео и аудио; исходная модель также описана как развивающаяся версия LTX-2 с улучшенным качеством аудио и видео и более точным следованием запросу. Карточка указывает контрольную точку ltx-2.3-22b-dev-nvfp4: полную гибкую модель, подготовленную с помощью дистилляции с учетом квантования. В метаданных репозитория главная задача обозначена как генерация видео по изображению, а карточка перечисляет поддержку английского языка. Модель предназначена для создания аудиовизуальных роликов по входному изображению и текстовым подсказкам, а также для локального запуска в соответствующем коде LTX-2. В карточке также перечислены генерация видео и аудио по тексту, изображению или исходным аудио- и видеоматериалам. Карточка описывает улучшенное следование запросам, но результат зависит от формулировки подсказки; модель не предназначена для выдачи фактической информации, может воспроизводить общественные предубеждения или создавать неподходящий контент, а звук без речи может быть менее качественным. Лицензия указана как other, без уточнения условий в предоставленных данных.

vantagewithai/LTX-2-GGUF — это квантованная версия в формате GGUF разделённого чекпойнта LTX-2, разработанного Lightricks. LTX-2 представляет собой диффузионную foundation-модель на архитектуре DiT, предназначенную для совместной генерации синхронизированных видео и аудио в одной модели. Чекпойнт ориентирован на локальный запуск и доступен для интеграции с Diffusers и ComfyUI. Модель поддерживает сценарии text-to-video, image-to-video и video-to-video, а также генерацию и преобразование аудио и комбинированного аудио-визуального контента. В карточке указана принадлежность к семейству LTX-2 с основным чекпойнтом на 19 млрд параметров, однако точный размер и уровень квантования данного GGUF-файла не указаны. В метаданных перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки, тогда как в разделе характеристик основным языком названа английская речь. Требования к длине контекста не указаны. Сильными сторонами модели являются единая генерация аудио и видео, открытые веса, возможность локального использования и поддержка обучения базовой версии и производных LoRA. Для работы разрешение по ширине и высоте должно быть кратно 32, а число кадров — иметь вид 8n+1. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от его формулировки, потенциальное усиление общественных предубеждений и генерацию неподходящего контента; аудио без речи может иметь более низкое качество. Использование регулируется LTX-2 Community License Agreement.

SXZ Luma 0.98 VAE — модель семейства Stable Diffusion в формате Diffusers, опубликованная пользователем Yntec. Репозиторий содержит вариант fp16 без EMA; метаданные указывают задачу генерации изображений по текстовому запросу и файлы в форматах PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым описаниям. Она распространяется по лицензии CreativeML OpenRAIL-M, условия которой регулируют допустимое использование и распространение модели и её результатов. Карточка сообщает о варианте VAE, но не приводит дополнительных сведений о его характеристиках или качестве.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-768-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Mage-Flow-Edit-Base — базовый вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям. Разработчики описывают семейство Mage-Flow как компактную генеративную систему масштаба 4 млрд параметров с архитектурой NR-MMDiT — мультимодальным диффузионным трансформером, обученным методом rectified flow, и общим для семейства латентным токенизатором Mage-VAE. Репозиторий рассчитан на запуск через Diffusers и содержит веса в формате safetensors. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для семантического изменения содержимого, преобразования внешнего вида, восстановления изображений и редактирования с сохранением структуры. Семейство заявляет поддержку нативных разрешений от 512 до 2048 пикселей и разных соотношений сторон; README также упоминает разнообразие результатов для одного исходного изображения. Карточка не сообщает число параметров именно этого репозитория и не приводит отдельные оценки качества для варианта Base. Лицензия репозитория — MIT. Для работы описан стек Diffusers; README отмечает необходимость CUDA-совместимой среды для установки flash-attn. Заявления о скорости и качестве относятся к семейству и, в частности, к Turbo-вариантам, поэтому их нельзя напрямую переносить на Base.

Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Mage-Flow-Turbo — четырёхшаговый вариант модели Mage-Flow для генерации изображений по текстовому описанию. В README разработчики представляют семейство как компактную модель масштаба 4 млрд параметров на архитектуре NR-MMDiT, обученную методом rectified flow в латентном пространстве Mage-VAE. Вариант Turbo описан как дистиллированный для генерации за четыре шага; репозиторий распространяется в формате Diffusers с весами Safetensors. Модель предназначена для быстрого преобразования текстовых запросов в изображения, в том числе на разрешениях от 512 до 2048 пикселей и с различными пропорциями сторон. README отмечает следование запросам, проработку деталей и генерацию разборчивого английского и китайского текста. Для редактирования изображений предназначен отдельный вариант Mage-Flow-Edit, а не эта модель. README приводит скорость 0,59 секунды на изображение 1024×1024 на одном A100 и пиковое потребление памяти около 18–20 ГБ. Эти показатели зависят от оборудования и условий запуска. Лицензия модели — MIT.

digiplay/majicMIX_realistic_v4 — модель Stable Diffusion для генерации реалистичных изображений по текстовым запросам. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors. Карточка содержит пример изображения, созданного через API Hugging Face, но не описывает обучение, точную архитектуру или рекомендуемые сценарии. Метаданные указывают задачу text-to-image; лицензия обозначена как other, поэтому условия использования следует сверить с файлами и сведениями в репозитории.

kli017/majicMIX-realistic-v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем kli017 на Hugging Face. Она предназначена для создания реалистичных изображений по промптам и работает через Diffusers StableDiffusionPipeline. Модель построена на архитектуре Stable Diffusion с компонентами CLIPTextModel, UNet2DConditionModel, AutoencoderKL и PNDMScheduler. Репозиторий содержит версии в форматах Safetensors и CKPT; размер файла весов Safetensors составляет около 2,13 ГБ. Модель принимает текстовые описания и генерирует изображения, например сцены, персонажей и предметные композиции. В карточке модели не указаны лицензия, поддерживаемые языки промптов, точное число параметров и длина контекста. Также отсутствуют сведения о специализированных доменах и официальных ограничениях.

Mann-E 4 (revision 1.3) — модель генерации изображений по текстовому описанию, созданная Мухаммадрезой Хагири в рамках проектов Open Cognitives. Проект задуман как свободная альтернатива Midjourney. Модель основана на Stable Diffusion 1.5 и использует собственный текстовый энкодер; в репозитории представлены форматы Diffusers, PyTorch и Safetensors. Модель предназначена для создания иллюстраций и художественных изображений по промптам. В карточке приведены примеры с художественными стилями, включая ретровейв и стилизацию под видеоигры, а также настройки сэмплеров Euler a и DPM++ SDE Karras. Данные для обучения собирались из интернета. Лицензия — MIT. Модель принимает текстовые промпты и выдаёт изображения. Карточка не сообщает о поддерживаемых языках и длине контекста; качество и точность следования промпту могут зависеть от формулировки и выбранных настроек генерации.

Mann-E Dreams — модель генерации изображений на основе Stable Diffusion XL от стартапа Mann-E из Ирана. По карточке, её разработали основатель Muhammadreza Haghiri и команда из четырёх человек, используя тысячи изображений, созданных Midjourney, для обучения модели создавать качественные изображения. Модель предназначена для генерации изображений по текстовым описаниям. В карточке рекомендованы 6–10 шагов, CFG Scale 2–4 и разрешения 768×768 или 832×832; авторы заявляют о высокой скорости генерации. Для работы подходят LoRA для SDXL 1.0, ControlNet, IP-Adapter и InstantID. В карточке модель названа «mostly uncensored» и протестирована с Automatic1111. Репозиторий распространяется в формате Diffusers и Safetensors по лицензии MIT.

Normal1919/Marian-NMT-en-zh-lil-fine-tune — дообученная модель машинного перевода на архитектуре Transformer MarianMT, созданная на основе Helsinki-NLP/opus-mt-en-zh. Она переводит английский текст на китайский и обучена сохранять специальные маркеры Ren’Py, например {i} и {/i}, а также английские имена персонажей для локализации визуальных новелл LIL. Модель содержит 58,4 млн параметров, работает с контекстом до 512 токенов и использует библиотеку Transformers. Модель предназначена для перевода игровых и сценарных текстов с английского на китайский с сохранением разметки и имён. В карточке перечислены варианты китайского, включая упрощённое и традиционное письмо и несколько региональных языковых разновидностей. Весами можно пользоваться на условиях лицензии Apache-2.0.

onnx-community/mediapipe_selfie_segmentation — модель сегментации изображений в формате ONNX из сообщества onnx-community. Она предназначена для выделения человека на изображении и отделения его от фона, например, для размытия или замены фона в портретах и видеозвонках. В метаданных указана архитектура MobileNetV3 и задача image-segmentation; README описывает использование через Transformers.js. Модель распространяется по лицензии Apache-2.0. Сведений о размере, контексте, языковой поддержке и известных ограничениях в предоставленных материалах нет.

Meissa-Qwen2.5-7B-Instruct — диалоговая модель семейства Qwen2.5 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Её разработал Orion-zhen, дообучив Orion-zhen/Qwen2.5-7B-Instruct-Uncensored на наборах данных для художественного письма и ролевых диалогов. Модель предназначена для генерации прозы и участия в ролевых беседах, а также поддерживает генерацию текста по инструкциям. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов. В метаданных указана поддержка китайского и английского языков. Репозиторий содержит веса в формате safetensors и распространяется по лицензии GPL-3.0.

MERT-v1-330M-finetuned-gtzan — дообученная модель на базе m-a-p/MERT-v1-330M, разработанная для классификации музыкального аудио по жанрам на наборе GTZAN. Она использует архитектуру HuBERT для классификации последовательностей; в репозитории указано около 402,7 млн параметров. На тестовой выборке автор сообщает точность 0,93 и значение loss 0,4795. Модель принимает аудио и выдаёт метку класса жанра. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Midjourney-mini — модель генерации изображений по текстовому описанию, опубликованная пользователем openskyml и доступная в формате Diffusers на PyTorch. Она предназначена для создания изображений по запросам, в том числе реалистичных; в README также заявлены простота использования и бесплатный доступ. Метаданные указывают поддержку английского, русского, немецкого и французского языков, а лицензионные метаданные — MIT. README называет модель уменьшенной версией платной Midjourney, но не приводит сведений о её архитектуре, размере или длине контекста.

Карточка модели Athena1433/MiniMax-H3 на Hugging Face совпадает с карточкой AgentAnon/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

MiniMax H3 Ref2VA — это квантованная диффузионная модель для генерации видео и синхронизированного аудио по референсному изображению или другим мультимодальным входным данным. Модель основана на MiniMaxAI/MiniMax-H3, разработана сообществом и опубликована пользователем rzgar. Она интегрируется с библиотекой Diffusers и ориентирована на сценарии text-to-video, image-to-video, image-text-to-video, video-to-video, а также генерацию аудио-видео и преобразование аудио-видео с использованием текста, изображений, видео и аудио. Доступны две квантованные версии: fp16attn_fp8 размером 28,7 ГБ и mxfp8 размером 47,6 ГБ. В первой варианте attention-слои работают в FP16, а MLP — в FP8-E4M3 с масштабированием по тензору; во второй используются MXFP8 и блочное масштабирование по 32 элемента, обеспечивающее более точную обработку выбросов. Пути текстового conditioning, включая token_refiner, conditioning projections и audio heads, сохраняются в полной точности. Модель поддерживает мультимодальную генерацию и синхронизированные аудио-видео результаты; рекомендуемое число шагов зависит от сценария: около 5 для говорящих лиц с небольшим движением, 8 для сбалансированного результата и более 12 для насыщенных действиями сцен. Версия fp16attn_fp8 лучше подходит для повседневного использования, быстрой загрузки и меньшего потребления памяти, тогда как mxfp8 ориентирована на максимальное качество при квантовании. Ограничения включают значительный размер файлов и потребность в совместимом окружении для запуска квантованных форматов. Модель распространяется по лицензии Apache-2.0.

Мультимодальная модель Mistral 3, дообученная ryfkn на основе nuresens/ministral-3b-cpt-merged. Она предназначена для диалоговых задач с изображениями и текстом: принимает текстовый запрос вместе с изображением и формирует текстовый ответ. В метаданных указаны архитектура Mistral3ForConditionalGeneration, поддержка vision и интерфейс вызова инструментов; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

argmaxinc/mlx-FLUX.1-schnell — версия модели генерации изображений FLUX.1 [schnell], подготовленная для MLX и распространяемая разработчиком argmaxinc. Она принимает текстовые запросы и создаёт изображения; карточка предлагает запуск через библиотеку DiffusionKit. Модель подходит для быстрого получения изображений по описаниям и локального использования на устройствах Apple с поддержкой MLX. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и поддержке языков, поэтому эти характеристики здесь не уточняются.

Это дообученная модель mmBERT для распознавания упоминаний источников СМИ в текстах исторических газет Impresso. Она выполняет токенную классификацию и выделяет названия информационных агентств и радиостанций; модель предназначена для обогащения газетных корпусов и помощи при курировании данных, а не для общего распознавания именованных сущностей. Модель основана на ModernBERT: в ходе адаптации были разморожены верхние четыре слоя. Веса обучены на наборе impresso-project/impresso-mediaagencies-ner-dataset версии v2.0.0; опубликованная версия v2.0.1 обновляет runtime-пайплайн без повторного обучения. Размер составляет 306,9 млн параметров, поддерживаемая длина контекста — до 8192 токенов. Карточка указывает французский, немецкий и люксембургский языки; базовая модель mmBERT — многоязычная. На отложенном тестовом наборе точность составила 0,9346, полнота — 0,8644, F1 — 0,8981. Для применения необходимо соблюдать токенизацию unicode-word-punctuation-v1 и декодирование first_subtoken_viterbi, настроенное для модели. Лицензия — MIT.

Карточка модели caralhox/mochi-1-preview на Hugging Face совпадает с карточкой genmo/mochi-1-preview, поэтому описание составлено по ней. Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

Mochi 1 Preview — модель генерации видео по текстовому описанию, разработанная Genmo и обученная с нуля. Она предназначена для создания коротких видеосцен по запросам на естественном языке, в том числе для прототипирования визуальных идей и генерации фотореалистичных роликов. Модель использует диффузионную архитектуру Asymmetric Diffusion Transformer (AsymmDiT) с 10 млрд параметров и кодирует запросы с помощью T5-XXL. Для сжатия видео применяется асимметричный вариационный автоэнкодер AsymmVAE. Поддерживается работа через Diffusers; карточка указывает английский язык. Модель выпущена под лицензией Apache 2.0. В предварительных оценках Mochi 1 показала хорошее следование запросам и выразительную динамику. Текущий выпуск генерирует видео в разрешении 480p; при экстремальном движении возможны искажения, а анимационные стили модель обрабатывает хуже фотореалистичных. Для запуска в исходной реализации требуется значительный объём видеопамяти: около 60 ГБ на одной видеокарте, хотя доступны варианты запуска с меньшими требованиями.

MOSS-Music-8B-Thinking-8bit — созданная сообществом 8-битная MLX-конверсия модели OpenMOSS-Team/MOSS-Music-8B-Thinking для понимания музыки на компьютерах Apple Silicon. Это плотная аудиоязыковая модель семейства MOSS-Music с 9,1 млрд параметров. Модель принимает аудио и формирует текстовые описания музыки, распознаёт тональность, темп, аккорды и структуру композиции, транскрибирует вокал и отвечает на вопросы о длинных аудиозаписях. README сообщает, что версия MLX предназначена для локального запуска на Mac и приводит пример обработки 75-секундной песни примерно за 34 секунды. Модель ориентирована на английский и китайский языки. Репозиторий использует формат safetensors; лицензия — Apache-2.0. Это неофициальная конверсия сообщества, а авторство исходной модели принадлежит команде OpenMOSS.